Карточка товара для покупателя и для ИИ — это два разных текста.

Введение

Интернет-магазины годами оптимизировали карточки товара под две задачи: убедить покупателя и получить позиции в поиске.

Отсюда привычная структура: название, фотографии, преимущества, несколько характеристик, цена, отзывы и SEO-текст.

AI-поиск добавляет ещё одну задачу.

Теперь карточка должна не только продавать товар человеку. Она должна содержать достаточно точных данных, чтобы система могла понять, что это за товар, сопоставить его с условиями запроса и включить в подборку.

Покупатель ищет уже не только:

«Купить робот-пылесос».

Он может сформулировать задачу гораздо подробнее:

«Посоветуй робот-пылесос до 40 тысяч рублей для квартиры 80 м², который хорошо собирает шерсть и умеет мыть пол».

В таком сценарии AI должен одновременно сопоставить стоимость, площадь уборки, тип уборки, особенности эксплуатации и другие параметры.

И здесь обнаруживается проблема: карточка, которая отлично выглядит и хорошо конвертирует уже пришедшего пользователя, не всегда достаточно точно описывает товар для системы, которая должна выбрать его ещё до перехода в магазин.

AI становится ещё одним слоем товарного поиска

Раньше путь выглядел довольно привычно.

Пользователь вводил запрос, открывал поисковую выдачу, переходил в интернет-магазины, изучал характеристики, читал отзывы и сравнивал модели.

AI переносит часть этой работы внутрь одного диалога.

Человек может сразу указать:

1. бюджет;
2. размеры;
3. назначение;
4. материал;
5. технические характеристики;
6. ограничения;
7. особенности использования.

Задача системы — сопоставить этот набор условий с доступными товарными данными.

Для e-commerce это меняет роль карточки.

Она должна не только хорошо продавать товар после клика, но и давать достаточно информации, чтобы товар вообще мог оказаться среди вариантов для сравнения.

Именно поэтому AI Visibility интернет-магазина начинается значительно раньше, чем обычно думают.

Не с текста «под ChatGPT».

А с качества данных о товаре.

Человек читает преимущества. Система сопоставляет характеристики

Представим две карточки робот-пылесоса.

Первая:

«Мощный и технологичный пылесос для безупречной чистоты вашего дома. Современные технологии обеспечивают эффективную уборку даже самых сложных загрязнений».

Вторая:

«Робот-пылесос с сухой и влажной уборкой. Мощность всасывания — 8 000 Па. Время работы — до 180 минут. Рассчитан на уборку площади до 150 м². Автоматически определяет ковровые покрытия. Подходит для уборки шерсти животных».

Первый вариант эмоциональнее.

Второй содержит больше параметров, которые можно проверить и сопоставить с запросом.

Если пользователь спрашивает:

«Какой робот-пылесос выбрать для квартиры 120 м² с двумя кошками?»

необходимо определить как минимум:

тип устройства — площадь — работу с шерстью животных.

Фраза «безупречная чистота» не подтверждает ни один из этих критериев.

Конкретные характеристики — подтверждают.

Но отсюда не следует, что маркетинговый текст больше не нужен.

Наоборот.

Покупателю нужно объяснить ценность. Системе — дать факты.

Сильная карточка должна делать и то и другое.

Заполненные характеристики ещё не означают хороший продуктовый профиль

Здесь возникает ещё одна проблема.

У магазина может быть большой каталог и десятки характеристик у каждого SKU, но сами данные представлены неаккуратно.

Например:

один и тот же параметр называется «объём памяти», «память» и «встроенная память»;

часть характеристик находится только на изображении;

в карточке объединены разные модификации;

SKU или другие идентификаторы заполнены непоследовательно;

цена на странице отличается от цены в фиде;

товар отмечен как доступный, хотя нужной модификации уже нет.

Для человека многие такие расхождения выглядят как обычные недочёты каталога.

Для автоматического сопоставления они серьёзнее.

Системе желательно видеть однозначный товар с устойчивыми характеристиками и идентификаторами.

Поэтому Product и Offer в структурированных данных, а также SKU, GTIN, MPN, цена и наличие перестают быть исключительно технической задачей SEO.

Они становятся частью цифрового товарного профиля.

Отдельный текст «для AI» не нужен

Здесь легко сделать неправильный вывод.

Если нейросети нужны характеристики, значит нужно написать ещё один большой текст с ключевыми словами и параметрами.

Нет.

Создавать две отдельные версии карточки не требуется.

Правильнее говорить о двух слоях одной страницы.

Коммерческий слой

Он отвечает на вопросы покупателя:

Почему мне нужен этот товар?

В чём его преимущество?

Какую проблему он решает?

Структурный слой

Он отвечает на другие вопросы:

Что это за продукт?

Каковы его параметры?

Какие есть ограничения?

Подходит ли он под конкретные условия?

Например:

не «компактный», а ширина — 45 см;

не «работает долго», а автономность — до 18 часов;

не «вместительный», а объём — 500 литров.

Маркетинговый текст помогает захотеть товар.

Фактические данные позволяют его сравнить.

Чем подробнее запрос, тем важнее полнота каталога

В классическом поиске человек мог разбивать задачу на несколько запросов.

Сначала:

«ноутбук для дизайнера».

Затем:

«ноутбук 16 ГБ».

Потом:

«ноутбук до 100 тысяч рублей».

В AI все ограничения могут оказаться в одном запросе:

«Подбери ноутбук до 100 тысяч рублей для дизайнера, минимум 16 ГБ оперативной памяти, экран от 15 дюймов и вес до 2 кг».

Теперь системе необходимо одновременно сопоставить:

цену — сценарий использования — RAM — диагональ — вес.

Если в карточке есть только три параметра из пяти, товар становится менее однозначным кандидатом.

Не потому, что он объективно хуже.

А потому, что система не может подтвердить соответствие всем условиям.

Поэтому полнота каталожных данных постепенно перестаёт быть внутренней задачей контент-отдела.

Она превращается в маркетинговую инфраструктуру e-commerce.

Варианты товара нельзя смешивать

Отдельная проблема — модификации.

Смартфон выпускается с 128, 256 и 512 ГБ памяти.

Кроссовки — в десяти размерах и нескольких цветах.

Диван — в разных тканях и конфигурациях.

У каждого варианта могут отличаться:

1. цена;
2. наличие;
3. артикул;
4. цвет;
5. размер;
6. комплектация.

Если структура каталога построена неправильно, можно получить смешанный цифровой профиль.

Например:

цена от варианта на 128 ГБ;

наличие от 256 ГБ;

характеристика от 512 ГБ.

Для покупателя это уже проблема.

Для систем автоматического подбора — тем более.

Поэтому каждая коммерчески значимая модификация должна быть однозначно идентифицируема и связана с базовым товаром.

Цена и наличие становятся частью рекомендации

AI недостаточно знать, что товар существует.

В коммерческом сценарии важно понимать:

можно ли его купить сейчас, сколько он стоит и в какой модификации доступен.

Именно поэтому актуальность каталога становится критичной.

Представим:

на странице — 39 990 рублей;

в фиде — 42 990;

на маркетплейсе — 41 490;

одна модификация есть в наличии, другая закончилась.

Для человека это три разных источника, которые можно проверить.

Для цифровой системы это несколько версий одного предложения.

Чем больше расхождений, тем слабее консистентность product data.

Поэтому AI Visibility интернет-магазина начинается не с копирайтинга.

Она начинается с того, можно ли доверять товарным данным.

Карточка становится базой фактов

Есть простой способ посмотреть на карточку по-новому.

Не спрашивать:

«Красиво ли мы описали товар?»

А спросить:

«На какие вопросы о товаре можно уверенно ответить на основании наших данных?»

Что это?

Кто производитель?

Какая модель?

Сколько стоит?

Есть ли в наличии?

Какие размеры?

Какой материал?

Какие технические параметры?

Для каких условий подходит?

Какие модификации доступны?

Чем отличается от соседней модели?

Какие ограничения есть?

Каждый вопрос, на который карточка не даёт однозначного ответа, — это информационный пробел.

Если таких пробелов много, товар сложнее сравнивать и человеку, и системе.

Как проверить каталог на готовность к AI-поиску

Начинать с массового переписывания тысяч карточек не стоит.

Гораздо полезнее выбрать одну приоритетную категорию и сформировать 30–50 реальных сценариев выбора.

Например:

«Лучший чемодан до 15 тысяч рублей для ручной клади».

«Какой матрас выбрать человеку весом 110 кг?»

«Подбери холодильник шириной до 60 см с No Frost».

«Какие беговые кроссовки подходят для асфальта и гиперпронации?»

Затем нужно определить:

какие параметры необходимы, чтобы ответить на каждый запрос?

И проверить, присутствуют ли они в каталоге.

После этого появляются вполне измеримые проблемы.

Например:

у 38% SKU отсутствует материал;

у 62% не структурировано назначение;

варианты товара не связаны между собой;

наличие передаётся некорректно;

важные преимущества находятся только внутри изображений.

И вместо абстрактной задачи:

«Нужно оптимизироваться под AI»

появляется конкретная:

«Нужно закрыть определённые пробелы в товарных данных».

Что теперь контролировать e-commerce директору

Карточка товара постепенно перестаёт быть просто страницей сайта.

Она становится единицей данных, которую используют разные цифровые каналы:

1. поисковые системы;
2. товарные фиды;
3. маркетплейсы;
4. рекламные платформы;
5. AI-интерфейсы.

Поэтому качество каталога имеет смысл оценивать минимум по четырём направлениям.

Полнота

Заполнены ли характеристики, которые действительно влияют на выбор.

Структурированность

Можно ли однозначно определить, к какому параметру относится каждое значение.

Консистентность

Совпадают ли цена, наличие и характеристики в разных источниках.

Интерпретируемость

Можно ли понять не только характеристики товара, но и для какого сценария использования он подходит.

Здесь и проходит новая граница качества e-commerce.

Карточка может прекрасно конвертировать пользователя, который уже пришёл на сайт.

Но если система не может определить, что конкретный кондиционер подходит под запрос:

«тихий кондиционер до 50 тысяч рублей для спальни 20 м²», —

этот товар может вообще не попасть в первоначальный набор для сравнения.

Заключение

Карточка товара для человека и для машины действительно решает разные задачи.

Человеку нужно помочь захотеть и выбрать.

Машине — идентифицировать, сопоставить и проверить.

Но создавать две отдельные карточки не нужно.

Сильная товарная страница объединяет оба слоя:

убедительную коммерческую коммуникацию для покупателя и точную структуру данных для поисковых и AI-систем.

Поэтому следующий этап развития e-commerce — не просто «писать тексты под нейросети».

Задача фундаментальнее:

превратить каталог из набора продающих страниц в структурированную базу знаний о товарах.

Если непонятно, насколько каталог уже соответствует этой логике, начинать стоит с диагностики.

White Pattern проводит бесплатный аудит присутствия бренда в ответах нейросетей. Для e-commerce в рамках аудита можно проверить коммерческие сценарии выбора, представленность товаров в AI-ответах, конкурентов, источники и информационные пробелы в карточках и каталожных данных.

В результате становится понятно, какие товары система уже может уверенно сопоставить с запросами покупателей, где вместо них появляются конкуренты и каких данных не хватает каталогу для более полной AI Visibility.

Потому что в AI-commerce преимущество может получить не магазин с самым красивым описанием.

А тот, про чей товар система точнее всего сможет ответить:

что это, сколько стоит, чем отличается и подходит ли он конкретному покупателю.